基于深度神經(jīng)網(wǎng)絡(luò)的欠定語音分離方法研究.pdf

1、語音是人們交流信息常用的媒介之一，在實際環(huán)境中，其不可避免的會受到噪聲或其它語音等的干擾，進而影響交流的質(zhì)量，因此語音分離技術(shù)應(yīng)運而生。語音分離就是指從混合語音信號中分離出各路語音源信號的過程，其在語音識別、說話人識別和音頻檢索等語音處理系統(tǒng)中起著重要的作用。
　　本文致力于研究欠定條件下的語音分離問題，具體地說是單通道語音分離問題。本文的主要研究工作分為以下幾個方面：
　　(1)本文給出一種將相位敏感性時頻模板和深度神經(jīng)網(wǎng)

2、絡(luò)相結(jié)合的單通道語音信號分離方法。該方法的網(wǎng)絡(luò)輸入為混合語音信號的短時傅里葉變換幅度譜特征，網(wǎng)絡(luò)目標輸出為給出的相位敏感性時頻模板，其中加入了語音源信號和混合語音信號的相位信息。訓練階段，用網(wǎng)絡(luò)來學習給出的相位敏感性時頻模板；在測試階段，用網(wǎng)絡(luò)的輸出和混合語音信號相位來重建語音源信號。相比于傳統(tǒng)的基于深度神經(jīng)網(wǎng)絡(luò)的單通道語音分離方法，該方法給出了相位敏感性的時頻模板，通過引入語音信號的相位信息，可以更好的完成語音分離。
　　(2)

3、考慮到復數(shù)時頻模板可以同時恢復語音信號的幅度譜和相位譜，本文給出一種將復數(shù)時頻模板同深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的單通道語音信號分離方法。該方法使用混合語音信號幅度譜作為網(wǎng)絡(luò)的輸入特征，復數(shù)時頻模板作為網(wǎng)絡(luò)的目標輸出。在訓練階段，由于該模板計算較為復雜，直接用深度神經(jīng)網(wǎng)絡(luò)預測不夠準確，本文對目標函數(shù)做了改進，在其中加入了相位約束，給出了具有相位限制的目標函數(shù)，提高了相位估計的準確性。在測試階段重建語音源信號的過程中，使用估計出的語音源信號相位。相